論文の概要: Sparse Bayesian Modeling of EEG Channel Interactions Improves P300 Brain-Computer Interface Performance

• arxiv url: http://arxiv.org/abs/2602.17772v1
• Date: Thu, 19 Feb 2026 19:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.109014
• Title: Sparse Bayesian Modeling of EEG Channel Interactions Improves P300 Brain-Computer Interface Performance
• Title（参考訳）: 脳波チャネル相互作用のスパースベイズモデルによるP300脳-コンピュータインタフェース性能の向上
• Authors: Guoxuan Ma, Yuan Zhong, Moyan Li, Yuxiao Nie, Jian Kang,
• Abstract要約: 脳波をベースとしたP300脳-コンピュータインタフェース(BCI)は、刺激によって誘発される神経応答を検出することにより、物理的な動きを伴わないコミュニケーションを可能にする。 高精度かつ効率的な復号化は、高次元性、時間的依存、EEGチャネル間の複雑な相互作用のために依然として困難である。 構造化されたEEGチャネルの相互作用をモデル化した疎ベイズ時間変化回帰フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.9812825396617644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG)-based P300 brain-computer interfaces (BCIs) enable communication without physical movement by detecting stimulus-evoked neural responses. Accurate and efficient decoding remains challenging due to high dimensionality, temporal dependence, and complex interactions across EEG channels. Most existing approaches treat channels independently or rely on black-box machine learning models, limiting interpretability and personalization. We propose a sparse Bayesian time-varying regression framework that explicitly models pairwise EEG channel interactions while performing automatic temporal feature selection. The model employs a relaxed-thresholded Gaussian process prior to induce structured sparsity in both channel-specific and interaction effects, enabling interpretable identification of task-relevant channels and channel pairs. Applied to a publicly available P300 speller dataset of 55 participants, the proposed method achieves a median character-level accuracy of 100\% using all stimulus sequences and attains the highest overall decoding performance among competing statistical and deep learning approaches. Incorporating channel interactions yields subgroup-specific gains of up to 7\% in character-level accuracy, particularly among participants who abstained from alcohol (up to 18\% improvement). Importantly, the proposed method improves median BCI-Utility by approximately 10\% at its optimal operating point, achieving peak throughput after only seven stimulus sequences. These results demonstrate that explicitly modeling structured EEG channel interactions within a principled Bayesian framework enhances predictive accuracy, improves user-centric throughput, and supports personalization in P300 BCI systems.
• Abstract（参考訳）: 電気脳波(EEG)に基づくP300脳-コンピュータインタフェース(BCI)は、刺激誘発神経応答を検出することにより、物理的な動きを伴わないコミュニケーションを可能にする。 高精度かつ効率的な復号化は、高次元性、時間的依存、EEGチャネル間の複雑な相互作用のために依然として困難である。 既存のアプローチのほとんどは、チャンネルを独立して扱うか、ブラックボックスの機械学習モデルに依存し、解釈可能性とパーソナライゼーションを制限する。 自動時間的特徴選択を行いながら、ペアワイズEEGチャネルの相互作用を明示的にモデル化するスパースベイズ時間変化回帰フレームワークを提案する。 このモデルは、チャンネル固有効果と相互作用効果の両方において構造化された空間性を誘導する前に、緩やかに保留されたガウス過程を用いており、タスク関連チャネルとチャネルペアの解釈可能な識別を可能にする。 55人の参加者からなるP300スペルデータセットに適用し,提案手法は,全ての刺激系列を用いて文字レベル100\%の正中精度を達成し,競合する統計的および深層学習手法の中で最も高い全体的な復号性能を達成する。 チャネル相互作用を組み込むと、特にアルコールを服用した被験者(最大18%改善)の間で、最大7倍の精度でグループ固有の利得が得られる。 提案手法は, 最適動作点における中央値BCI-Utilityを約10倍改善し, 7つの刺激系列の後にピークスループットを達成する。 これらの結果は,原理的ベイジアンフレームワークにおける構造化EEGチャネルの相互作用を明示的にモデル化することにより,予測精度の向上,ユーザ中心スループットの向上,P300 BCIシステムにおけるパーソナライズ支援を実現していることを示す。

関連論文リスト

• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
  デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。 提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。 本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-05T05:08:43Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Bayesian Inference on Brain-Computer Interfaces via GLASS [4.04514704204904]
  脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。 完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。 筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。 より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-04-14T21:29:00Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction [3.726817037277484]
  脳波パターンは、ノイズによる時間的変化と不確実性を示す。 これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。 脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
  論文  参考訳（メタデータ） (2022-04-09T00:35:35Z)
• Improving Generalization of Deep Neural Network Acoustic Models with Length Perturbation and N-best Based Label Smoothing [49.82147684491619]
  音声認識(ASR)のためのディープニューラルネットワーク(DNN)音響モデルの一般化を改善する2つの手法を提案する。 長さ摂動 (Longth perturbation) は、音声特徴系列の長さを変更するために音声のフレームをランダムにドロップして挿入するデータ拡張アルゴリズムである。 N-bestに基づくラベルスムーシングは、n-best仮説からノイズラベルが生成される過度な適合を避けるために、トレーニング中にグラウンド・真理ラベルにランダムにノイズを注入する。
  論文  参考訳（メタデータ） (2022-03-29T01:40:22Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。